El cerebro aprende de manera diferente a los sistemas de inteligencia artificial.. Crédito de la imagen: Pavel Danilyuk
Un nuevo enfoque para explicar cómo el cerebro cambia las conexiones entre neuronas durante el aprendizaje fue desarrollado por investigadores del Departamento de Ciencias de la Computación de la Universidad de Oxford y de la Unidad de Dinámica de Redes Cerebrales del MRC. Este nuevo conocimiento puede servir como guía para futuras investigaciones sobre el aprendizaje en redes cerebrales y también puede servir como inspiración para algoritmos de aprendizaje de inteligencia artificial más rápidos y poderosos.
Un nuevo enfoque para explicar cómo el cerebro cambia las conexiones entre neuronas durante el aprendizaje fue desarrollado por investigadores del Departamento de Ciencias de la Computación de la Universidad de Oxford y de la Unidad de Dinámica de Redes Cerebrales del MRC. Este nuevo conocimiento puede servir como guía para futuras investigaciones sobre el aprendizaje en redes cerebrales y también puede servir como inspiración para algoritmos de aprendizaje de inteligencia artificial más rápidos y poderosos.
La esencia del aprendizaje es identificar qué partes del proceso de procesamiento de información son responsables de un error de salida. Esto se logra mediante retropropagación, que es la modificación de los parámetros de un modelo para reducir el error de salida. Según muchos investigadores, el cerebro puede usar un principio de aprendizaje similar.
Sin embargo, los sistemas de aprendizaje automático actuales no pueden competir con el cerebro biológico. Mientras que nosotros podemos aprender nueva información con solo verla una vez, los sistemas artificiales requieren cientos de veces de entrenamiento con la misma información para aprenderla. Además, manteniendo el conocimiento que ya tenemos, podemos aprender nueva información, mientras que el aprendizaje de nueva información en redes neuronales artificiales con frecuencia interfiere con el conocimiento existente y lo degrada rápidamente.
Estas observaciones motivaron a los investigadores a identificar el principio fundamental empleado por el cerebro durante el aprendizaje. Observaron algunos conjuntos de ecuaciones matemáticas actuales que describen cambios en el comportamiento de las neuronas y en las conexiones sinápticas entre ellas. Descubrieron que estos modelos de procesamiento de información utilizan un principio de aprendizaje muy diferente al de las redes neuronales artificiales después de analizarlos y simularlos.
Los investigadores sugieren que el cerebro humano primero establece la actividad de las neuronas en una configuración equilibrada antes de ajustar las conexiones sinápticas. Por otro lado, en las redes neuronales artificiales, un algoritmo externo intenta modificar las conexiones sinápticas para reducir el error. Según los investigadores, se trata de una característica útil de la forma en que aprende el cerebro humano. Esto se debe a que reduce la interferencia al mantener el conocimiento existente, lo que acelera el aprendizaje.
Los científicos presentan «configuración prospectiva» como un nuevo principio de aprendizaje en un estudio publicado en Nature Neuroscience. En simulaciones por computadora, se demostró que los modelos que utilizan esta configuración prospectiva pueden aprender tareas de forma natural, más rápido y eficientemente que las redes neuronales artificiales.
Los autores utilizan el ejemplo de la vida real de un oso pescando salmón. El oso puede ver el río y ha aprendido que, si también puede oír y oler el salmón, es probable que capture uno. Sin embargo, un día, el oso llega al río con la oreja dañada y no puede escucharlo. En un modelo de procesamiento de información de red neuronal artificial, esta falta de audición también resultaría en una falta de olfato (porque la retropropagación cambiaría muchas conexiones, incluidas las conexiones entre las neuronas que codifican el río y el salmón cuando se aprende que no hay sonido). Finalmente llegamos a la conclusión de que no hay salmón disponible. Pero la falta de sonido no impide al cerebro animal sentir el olor del salmón, por lo que es probable que el salmón esté disponible para la pesca.
Los investigadores crearon una teoría matemática que demuestra que permitir que las neuronas adopten una configuración prospectiva reduce la interferencia entre la información durante el aprendizaje. Demostraron que la configuración prospectiva explica la actividad y el comportamiento neuronal mejor que las redes neuronales artificiales en varios experimentos de aprendizaje.
Rafal Bogacz, investigador principal de la Unidad de Dinámica de Redes Cerebrales del MRC y del Departamento de Neurociencias Clínicas de Nuffield de Oxford, afirma que actualmente existe una gran disparidad entre los modelos abstractos que realizan configuraciones prospectivas y nuestro conocimiento detallado de la anatomía de las redes cerebrales. El objetivo de las investigaciones futuras de nuestro equipo es reducir la brecha entre los modelos abstractos y los cerebros reales, así como comprender cómo funciona el algoritmo de configuración prospectiva en redes corticales identificadas anatómicamente.
El Dr. Yuhang Song, el autor principal del estudio, afirma que la simulación de la configuración prospectiva en los computadores actuales es difícil debido a que funcionan de manera fundamentalmente diferente a la del cerebro biológico. Es necesario crear un computadora o hardware dedicado basado en el cerebro que pueda implementar configuraciones prospectivas rápidamente y con poca energía.
El artículo, ‘ Inferir la actividad neuronal antes de la plasticidad: una base para aprender más allá de la retropropagación ‘, se publicó en Nature Neuroscience .
REFERENCIAS
Inferring neural activity before plasticity as a foundation for learning beyond backpropagation: https://www.nature.com/articles/s41593-023-01514-1
